python爬虫的总结

一，了解python爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
通俗地讲，我们把互联网比作一张大蜘蛛网，每个站点资源比作蜘蛛网上的一个结点，爬虫就像一只蜘蛛，按照设计好的路线和规则在这张蜘蛛网上找到目标结点，获取资源。

二、明确了爬虫所需的库

请求库：urllib/re/requests

（1） urllib/re是python默认自带的库

（2） requests安装

        2.1 打开CMD，输入 pip3 install requests   

2. 解析库：lxml (XPATH)

三、项目实现

实现了对各种网站的爬取，包含小说、图片、以及文本文件的写入，实现了各种网站的尝试，其中包含乔布斯排行榜、豆瓣评分排名的爬取，小说网某本的爬取，其中受益良多，明确知道url 请求资源等各种概念。下面附完成项目，代码仅供学习

import requests
import re
from bs4 import BeautifulSoup

count_error = []    #记录无效的网址
def setSrr(url):
    #判断网址是否有效，如果无效就打印错误并返回。
    if(requests.get(url).status_code == 404):
        print('error')
        global count_error
        count_error.append(url)    #把错误网址加入到列表
        return []
    print('开始下载……')

    l = []    #定义列表用来保存小说内容
    r = requests.get(url, timeout=5)  # 获取链接
    r.raise_for_status()  # 检查状态
    r.encoding = r.apparent_encoding  # 改变编码形式
    html = r.text  # 获取文本
    #html = request.urlopen(url).read()    #读取网页中所有的内容
    soup = BeautifulSoup(html, "html.parser")
    item = soup.findAll('h2')    #h2里面是章节标题
    #这一步的根据是查看网站源码，找到所需要爬去的内容
    print('this......', str(item))    #打印章节标题处的源码
    title = re.match(r'.*<h2><font color="#dc143c">(.*)</font></h2>.*', str(item) ,re.M|re.I)    #用正则表达式提取出章节标题
    print('title:', title.group(1))    #打印标题，看是否正确
    l.append(title.group(1))    #标题加入到列表
    #提取本章节小说内容部分源码，然后剔除源码部分<p>和</p>
    strings = soup.findAll('p')[0].__str__().strip('<p>').strip('</p>')
    #print(strings)

    #提取出来的字符串按段落切分，然后加到列表中
    l += map(lambda x: x.rstrip(), strings.split('<br/>'))
    #返回爬去到的内容
    return l

#内容写到文件上
def setDoc(l, file):
    if len(l) < 2:
        return
    #追加方式打开文件，并写入文件。
    with open(file, 'a', encoding='utf-8') as f:
        for i in l:
            f.write('\t' + i)
        f.write('\n')


def setNewUrl():
    urls = []    #所有要爬取的网址
    #《昆仑》中第一章和最后一章网址数字的差是109，所以有110个网址，生成网址列表返回。
    for s in range(0, 110):
        url = "https://www.kanunu8.com/wuxia/201102/1718/" + str(38407 + s) + ".html"
        urls.append(url)
    return urls



if __name__ == '__main__':
    urls = setNewUrl()
    file = '昆仑.txt'
    #setSrr(urls[0])
    #爬取每一个网址里面的内容
    for url in urls:
        l = setSrr(url)
        setDoc(l, file)
    #打印不存在的网址数量和网址
    print(len(count_error))
    print(count_error)
    #最后发现110个网址，有30个无法访问，《昆仑》正好80章。

 总结：明确了爬虫的基本概念，实现了爬虫的一些基本功能，能够高效的完成自己的工作，通过这几篇爬虫的练习，基本明确html页面中如何获取相关数据，学会看懂获取的代码，明确自己想要爬取的内容，但是爬虫的道路还需要长时间的学习，不断来巩固自己的学习成果，还需要我们不断学习新的爬虫机制，防止反爬取等一系列模块的学习。从而实现更高的目标。